Identificación de los fármacos asociados a Xerostomía e Hiposalivación, y su predicción con técnicas de Machine Learning
Algunos fármacos que se utilizan para tratar diferentes enfermedades pueden provocan efectos secundarios en la cavidad oral. Entre dichos efectos adversos se encuentra la xerostomía y la hiposalivación. Existen estudios que han observado como ciertos fármacos se asocian a dichas condiciones. Pero no...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/73984 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/73984 |
| Access Level: | acceso abierto |
| Palabra clave: | 004.85 615.01/.03 Xerostomía Hiposalivación machine learning fármaco predicción Estadística 1209 Estadística |
| Sumario: | Algunos fármacos que se utilizan para tratar diferentes enfermedades pueden provocan efectos secundarios en la cavidad oral. Entre dichos efectos adversos se encuentra la xerostomía y la hiposalivación. Existen estudios que han observado como ciertos fármacos se asocian a dichas condiciones. Pero no está claro si la combinación de diferentes fármacos tendría un efecto sinérgico. La finalidad de este trabajo es estudiar los fármacos que influyen en estas dos patologías en un grupo de pacientes polimedicados. Este trabajo utiliza los enfoques de aprendizaje automático para construir dos modelos de regresión logística y de árbol de decisión, para identificar los fármacos que afectan a estos dos problemas diferentes por separado, así como los fármacos que actúan sobre ambas afecciones. También, se proponen dos modelos avanzados de predicción, SVM y XGBoost para cuantificar la posibilidad de que un individuo sufra xerostomía e hiposalivación en función del medicamento que está tomando. Finalmente, regresión logística y árbol de decisión concluyen al menos un factor significativo que causa a la xerostomía e hiposalivación, y al menos dos fármacos protectores, en cada nivel de fármacos. Además, se encuentra que en los niveles dos a cuatro, XGBoost hace mejores predicciones para estimar el riesgo de xerostomía e hiposalivación en virtud de su alta AUC, precisión y sensibilidad. En el nivel cinco, SVM es la mejor opción para ambas patologías. El uso del clustering jerárquico complementa algunos de los fármacos no detectados por regresión logística y árbol de decisión y sus efectos. |
|---|